

论文分享|配对箱线图进阶：结合单侧 Wilcoxon 的统计展示

R语言数据分析指南

2025-09-01

欢迎关注R语言数据分析指南

❝
本节来通过nature communications上的一篇新论文，来分享一组配对连线箱线图的代码，论文提供了完整的数据及代码，小编在此只进行分享展示，更多详细内容请参考官方内容。

论文信息

Longitudinal liquid biopsy identifies an early predictive biomarker of immune checkpoint blockade response in head and neck squamous cell carcinoma

Wang, B., Saddawi-Konefka, R., Clubb, L.M. et al. Longitudinal liquid biopsy identifies an early predictive biomarker of immune checkpoint blockade response in head and neck squamous cell carcinoma. Nat Commun 16, 8161 (2025). https://doi.org/10.1038/s41467-025-63538-4

论文代码

https://github.com/wbb1813/Time_series_mouse_ICB

论文图

箱线图展示了 ICB 治疗显著影响的 4 类细胞丰度变化。每个黑点代表 1 只小鼠（n = 16），灰色连线表示同一只小鼠在不同时间点的动态变化。

图形解读

此类图作为论文中常见的一类展示方式，其图形内容无需赘述，重点在于统计学分析的设定。本图采用单侧 Wilcoxon 检验。

单侧检验的意义在于：

1.假设方向明确
本实验的生物学预期是 CD8 T 细胞在干预/随访过程中逐渐上升。因此，仅需检验其是否显著增加，而非任意方向的差异。
2.提升统计功效
单侧检验将显著性水平集中在单一方向，使得对“确实增加”的效应更为敏感。

结果显示：在早期阶段（D4-D17），CD8 T 细胞丰度显著增加；而在后期（D17-D24）则无显著变化，提示丰度趋于平台期。采用单侧检验凸显了研究的单方向假设，即细胞丰度随时间升高。

代码展示

library(tidyverse)
library(ggpubr)

box_line_plot=function(tmp_df,alternative='less',prefix){
  my_comparisons <- list( c("1", "2"),c("2", "3"),
                          c("3", "4"),c("1", "3"),c("1", "4"))
  p <- ggplot(tmp_df, aes(x = timepoint, y = Relative_frequency)) + 
    geom_boxplot(aes(fill = timepoint),alpha=0.5, width=0.5) +
    geom_line(aes(group = Patient),color='gray45') + 
    geom_point(size = 2, color = 'black')+ 
    theme_classic()+
    theme(legend.position = "none")+
    labs(x="Timepoints",y="Relative frequency") +
    scale_x_discrete(labels=c("D4","D9","D17","D24"))
if (alternative=='less'){
    p = p + stat_compare_means(
      comparisons = my_comparisons,method = 'wilcox.test',
      method.args = list(alternative = "less"),label = "p.forma")
  } elseif (alternative=='greater'){
    p = p + stat_compare_means(
      comparisons = my_comparisons,method = 'wilcox.test',
      method.args = list(alternative = "greater"),label = "p.forma")
  }
  ggsave(file.path(outdir,paste0(prefix,'.pdf')),p,width = 3.5,height = 4.5)
return(p)
}

cell_abund_sample=read.delim('cell_abundance_sample_timepoint.txt')
outdir="./"
cell_abund_sample=na.omit(cell_abund_sample)
cell_abund_sample$timepoint=factor(cell_abund_sample$timepoint,levels = c(1,2,3,4))

# CD8 cell 
tmp_df=cell_abund_sample[which(cell_abund_sample$cell_type=='CD8 T'),]
tmp_df=na.omit(tmp_df)
p3_1 <- box_line_plot(tmp_df,alternative='less',prefix='CD8_cell_all_sample')

# CD4 cell 
tmp_df=cell_abund_sample[which(cell_abund_sample$cell_type=='CD4 T'),]
tmp_df=na.omit(tmp_df)
p3_2 <- box_line_plot(tmp_df,alternative='less',prefix='CD4_cell_all_sample')

# B cell 
tmp_df=cell_abund_sample[which(cell_abund_sample$cell_type=='B cell'),]
tmp_df=na.omit(tmp_df)
p3_3 <- box_line_plot(tmp_df,alternative='less',prefix='b_cell_all_sample')

# Neutrophil cell 
tmp_df=cell_abund_sample[which(cell_abund_sample$cell_type=='Neutrophil'),]
tmp_df=na.omit(tmp_df)
p3_4 <- box_line_plot(tmp_df,alternative='greater',prefix='Neutrophil_all_sample')


library(patchwork)
p3_1|p3_2|p3_3|p3_4